关键词： 网络控制系统   0-1检测   相空间重构   鲁棒极限学习机   时延预测  

摘要： 针对网络控制系统(networked control system,NCS)诱导时延具有的时变、随机、非线性等特点,提出了一种相空间重构与鲁棒极限学习机(robust extreme learning machine,RELM)的时延预测算法。首先利用0-1测试对时延序列进行混沌特性检测,再通过改进关联积分法确定重构延迟参数和嵌入维数,进而对时延序列进行重构,新的样本更能真实反映时延变化特性。以重构后的时延序列为训练样本,同时,考虑异常值的稀疏特性,运用RELM进行时延序列预测。该方法具有学习速度快、泛化性能好、可有效降低异常值影响等优点。

关键词： 电力负荷   单机模式   分布式处理方式   极限学习机   云计算集群系统  

摘要： 现代电力负荷数据以海量形式存在,传统单机模式无法满足电力负荷在线预测效果的要求。为了改善大规模电力负荷数据的预测效果,设计了基于极限学习机的分布式电力负荷预测模型。首先提取电力负荷数据,通过混沌理论的相空间重构方法对电力负荷数据进行预处理,产生电力负荷数据预测建模样本,然后将电力负荷数据预测建模样本细分成为多个子样本,通过云计算集群系统的分布式方式并行实现子样本建模,每一个小样本通过极限学习机进行建模和预测,最后采用具体电力负荷数据进行了仿真测试实例研究,测试结果表明,本文模型加快了大规模电力负荷数据建模速度,可以足电力负荷在线预测效果,而且电力负荷预测精度要明显优于当前其它电力负荷预测模型。

关键词： 温度预测   监测数据分析   机器学习   极限学习机  

摘要： 作为我国首座全封闭式遗址博物馆,汉阳陵外藏坑遗址博物馆已积累超过700万条各类监测数据。然而,受限于海量数据挖掘能力,目前研究中存在监测数据利用率不足和预测模型准确率较低的问题,针对这一问题,引入大数据机器学习领域的极限学习机方法对遗址温度进行系统分析和建模预测。研究结果表明,该方法具有良好的大数据发掘和处理能力,能够有效分析温度的变化规律及特征,并对未来温度变化趋势和细节变化特征实现较为准确的预测。本方法的引入可为遗址预防性保护和管理提供参考。

关键词： 电子商务   客户流失量   云计算处理技术   预测模型   极限学习机  

摘要： 为了提高电子商务客户流失量预测的准确性,针对单机处理模式无法有效预测海量电子商务客户流失量的难题,提出了在线序列优化极限学习机的电子商务客户流失量预测模型。首先通过云计算技术的Map/Reduce模式对电子商务客户流失量数据进行分割,得到多个训练子集,然后采用线序列优化极限学习机对电子商务客户流失量的每一个训练子集进行建模,并对训练子集的预测结果进行融合,得到电子商务客户流失量的最终预测结果,最后通过电子商务客户流失量算例进行模型的有效性进行验证。结果表明,该文模型提高了电子商务客户流失量的预测精度,而且减少了电子商务客户流失量建模的训练时间,大幅度提高了电子商务客户流失量预测速度。

关键词： 核极限学习机   稀疏测量矩阵   样本信息度量   增量建模   在线预测  

摘要： 针对发动机状态在线预测中样本累积、预测模型膨胀和在线更新速度慢等问题,提出了基于增量稀疏核极限学习机的在线预测方法.该方法定义了KELM核函数矩阵的稀疏测量矩阵,并根据矩阵原子相干最小化和自信息量最大化的样本信息度量准则实现在线样本前向稀疏与后向删减,提高了样本稀疏化效率.利用有效样本对测量矩阵在最佳阶数内进行在线扩充与修剪,限制了预测模型膨胀.利用改进的增量建模方法对模型的核权重矩阵进行递推更新,从而建立规模有限且结构稀疏的在线预测模型,提高了在线建模速度.仿真数据和发动机状态参数在线预测实验结果表明,与现有在线预测方法相比,ISKELM具有更高的样本稀疏化和在线建模效率.对发动机排气温度进行120步预测时,预测速度分别提高了80.50%和31.72%,预测精度分别提高了48.56%和15.81%.

关键词： 粒子群算法   极限学习机   自适应策略   短期电力负荷预测  

摘要： 为了优化极限学习机的参数,提高短期负荷预测的准确率,提出一种改进粒子群算法的极限学习机(CSPSO-ELM)预测模型。该模型利用粒子群算法(particleswarmoptimization,PSO)寻找极限学习机(ELM)网络中最优的输入权值和隐层偏差值,得到输出权值矩阵,以达到减少随机参数误差的目的。同时引入混沌自适应策略,增强粒子群算法的多样性,防止粒子群陷入局部收敛。在充分考虑天气、湿度、假日因素和当地工业产值对预测结果的影响下,提出一种基于该方法的极限学习机预测模型。最后,针对扬州市高新区用电总量预测问题,通过与其它模型的对比实验,证明了改进的粒子群算法优化了极限学习机的参数结构,提高了电力负荷预测的精准度。

关键词： 极限学习机   核函数   遗忘因子   正则化   时间序列   入口氮氧化物  

摘要： 针对在线贯序极限学习机(OS-ELM)算法隐含层输出不稳定、易产生奇异矩阵和在线贯序更新时没有考虑训练样本时效性的问题,提出一种基于核函数映射的正则化自适应遗忘因子(FFOS-RKELM)算法.该算法利用核函数代替隐含层,能够产生稳定的输出结果.在初始阶段加入正则化方法,通过构造非奇异矩阵提高模型的泛化能力;在贯序更新阶段,通过新到的数据自动更新遗忘因子.将FFOS-RKELM算法应用到混沌时间序列预测和入口氮氧化物时间序列预测中,相比于OS-ELM、FFOS-RELM、OS-RKELM算法,可有效地提高预测精度和泛化能力.

关键词： 蛋鸡   产蛋性能   产蛋率   预测模型   极限学习机  

摘要： 文章提出了一种基于极限学习机的蛋鸡产蛋性能时间序列预测模型,对产蛋率指标进行预测。首先选取多批海兰褐蛋鸡产蛋率数据构建时间序列模型,将第一批数据样本用于ELM网络训练,建立预测模型,其他批次数据用于产蛋率模型的预测;为提高可信度以及评估预测精度,采用多批不同品种蛋鸡进行验证试验,并且与支持向量机预测模型进行比较。结果表明,所建立的极限学习机预测模型能够准确预测产蛋率,该方法为蛋鸡产蛋性能预测研究提供参考。

关键词： 变分模态分解   极限学习机   神经网络   负荷预测   组合预测模型  

摘要： 短期负荷预测是电网维持经济运行以及实现安全稳定控制不可或缺的基础,使用其制定最节约的用电安全要求、确定运行约束、和外界的设备限制运行方案,为发电计划程序提供数据等,其对电网运行的经济性、安全性和可靠性有着极为关键的作用。由于传统的预测方法预测的精度普遍不高,所以,提出更好的预测方法和理论一直都是学者们的研究热点。鉴于上述问题,本文提出了一种基于变分模态分解(VMD)和极限学习机(ELM)的组合预测模型,先利用VMD分解历史负荷功率时间序列,可以获得一组相对平稳的模态分量,之后对各模态分量分别组建ELM模型进行预测,最终把所有预测结果相累加即为最后的预测结果。实验结果证明,该模型充分体现了VMD和ELM各自的优点,可以完成既准确又快速的预测。本文首先对VMD在多尺度模态分解中的优势进行了分析与比较,相较于经典模态分解(EMD),应用VMD分解所得数据进行预测具有更好的效果,而且,VMD结合格拉姆施密特正交化,可以进一步提升VMD在特征提取上的效果,因而可得出结论VMD更适合应用于组合预测模型当中。之后通过MATLAB仿真工具,对于所提出的预测模型,利用实际负荷数据进行了短期负荷预测的仿真分析,并且对比与分析了其与多种预测方法的预测结果,由于短期负荷主要对于预测精度以及预测速度有较高的要求,本文从速度与精度上验证了所提的组合预测方法在短期负荷预测中的可行性。本论文的研究贡献在于对于短期负荷预测方法的理论研究具有很好的参考价值。